銀行明細CSVを仕訳データへ自動変換するツールの作り方

毎月の月末、ネットバンキングから明細をダウンロードして、1行ずつ確認しながら会計ソフトへ手入力していませんか。実はその作業、仕組み化できることを知らないだけかもしれません。

この記事では、銀行明細CSV（Excelなどで開ける表形式のファイル）を読み込ませると仕訳形式のCSVに変換されるツールの作り方を紹介します。非エンジニアの方でもAIの力を借りて実践できる形で、作るもの・必要なもの・手順・つまずきやすい注意点までを一通り押さえます。

この記事で作るもの／ビフォーアフター
必要なもの・前提
作り方のステップ
つまずきやすい注意点
免責・専門家確認
まとめ

この記事で作るもの／ビフォーアフター

作るのは、銀行明細CSVを読み込ませると、勘定科目の目星がついた仕訳形式のCSVに変換してくれるツールです。

Before：ネットバンキングから明細CSVをダウンロードし、1行ずつ内容を確認しながら会計ソフトへ手入力。月末はこれだけで数時間かかります。
After：CSVをツールに読み込ませると、勘定科目の候補付きで仕訳形式のCSVが数秒で出力されます。最後は人が数分でチェックするだけです。

断っておくと、これは「全自動」の仕組みではありません。位置づけとしては、あくまで「下書きを自動で作る」ツール。最終チェックは必ず人が行う前提で設計します。

必要なもの・前提

Windows PC（普段お使いのもので構いません）
Python（無料で使えるプログラミング言語）
AIチャットツール（ChatGPTやClaudeなど。コードを書く部分を手伝ってもらいます）
銀行・カードのネットバンキングからダウンロードできる明細CSV
会計ソフト側の仕訳インポート用CSVフォーマット（freee・マネーフォワード・弥生などで列構成が異なります）
pandas（表データを扱うためのPythonの追加ライブラリ。標準では入っていないため別途インストールが必要です）

pandasなどの追加ライブラリの導入も、つまずいたらAIチャットに聞きながら進めれば迷いません。コードを書くこと自体が初めてでも大丈夫。AIと対話しながらプログラムを組み立てる「バイブコーディング」という考え方が助けになります。非エンジニア向けの入門編は近日公開予定。

Google Workspaceを使っている会社には、GASという代替案もあります。GASとは、Googleスプレッドシート等を自動化するGoogle Apps Scriptの略称。ここではPythonでの作り方に絞って解説します。

なお、明細データを外部のクラウドAIに見せるのが不安な場合は、社内だけで処理が完結するローカルLLM入門という選択肢もあります。

作り方のステップ

Step1：銀行明細CSVのフォーマットを確認する
自分の銀行・カードの明細CSVを一度開いてみましょう。文字コード（文字をコンピューターが認識するための符号化方式）、列の並び、不要なヘッダー行や合計行の有無を確認します。ここを飛ばすと、後の処理でつまずきます。
Step2：CSVを読み込む処理を作る
Pythonの表計算ライブラリ「pandas」を使い、CSVを読み込んで列名を統一します。

import pandas as pd

# 銀行明細CSVを読み込む（文字コードは事前に確認。ここではShift-JISの例）
df = pd.read_csv("bank_statement.csv", encoding="shift_jis")

# 列名を自社ルールに合わせて統一する
df = df.rename(columns={"取引日": "date", "摘要": "description", "出金金額": "amount"})

Step3：摘要から勘定科目候補を紐づける対応表を作る
最初はシンプルな対応表（辞書）方式で十分。摘要に特定の文字列が含まれていたら、対応する勘定科目を返す仕組みにします。精度を上げる発展形は、この後の記事③で扱う予定です。なお、実際の明細データでは摘要が空欄の行も珍しくありません。空欄のままだとエラーになるため、事前に空文字で埋めておきます。

# 摘要のキーワードと勘定科目の対応表（最初はシンプルに）
account_rules = {
    "電気": "水道光熱費",
    "家賃": "地代家賃",
    "〇〇銀行": "支払手数料",
}

def guess_account(description):
    for keyword, account in account_rules.items():
        if keyword in description:
            return account
    return "要確認"  # 対応表にないものは人が見る

df["description"] = df["description"].fillna("")  # 摘要が空の行を空文字に（エラー防止）
df["account"] = df["description"].apply(guess_account)

Step4：会計ソフトの仕訳インポート形式に変換して書き出す
使っている会計ソフトの列構成に合わせて並べ替え、ファイルに書き出します。

output = df[["date", "account", "description", "amount"]]
output.to_csv("journal_entries_draft.csv", index=False, encoding="utf-8-sig")

Step5：自社の実データで試し、対応表を育てていく
最初は「要確認」だらけかもしれません。それでも問題なし。実データで試しながらルールを1つずつ足していくと、数ヶ月で見違えるほど精度が上がっていきます。

つまずきやすい注意点

文字コードの違い：Shift-JISで文字化けする、UTF-8で開き直す必要がある、といったことがよく起きます。encoding="shift_jis"でUnicodeDecodeErrorが出た場合は、encoding="cp932"（丸数字など一部の記号に対応した文字コード）を試すと解決することがあります
銀行ごとの列順・ヘッダーの違い：銀行によってCSVの列順や不要な合計行の位置がバラバラです
摘要の表記ゆれ：同じ取引先でも毎回微妙に文言が違うため、一発で完璧なルールは作れません
「1つのルールで全部を賄おうとしない」のがコツです。対応表にない摘要は「要確認」のまま残し、例外は人が見る前提で設計してください。